Processamento de Imagens

Processamento de Imagens
Texturas
Exemplos
Introdução
• Texturas
– Não existe abordagem formal
– Não existe definição formal
– São definidas qualitativamente e não há
consenso quanto a sua definição quantitativa
Definição 1
“Textura pode ser definida como uma estrutura composta de
uma área contendo um número grande de elementos
relativamente ordenados ou padrões, que individualmente
não representam muito. Mas se observados globalmente, tais
elementos podem ser usados para identificar uma
determinada área”
L.V. Gool et al. Texture Analysis anno 1983. Computer Vision,
Ghaphics and Image Processing, 31:336-357, 1985.
Definição 2
“Textura é definida como o arranjo espacial e a natureza de
componentes estruturais que podem ser pontos individuais
em uma imagem ou textons mais complexos”
B.Julesz. A brief outline of the texton theory of human vision.
Trends in Neurosciences, 7:41-45, 1984.
Definição 3
“Um imagem com textura pode ser descrita pelo número e
tipos de suas primitivas e pela organização espacial ou
layout de suas primitivas. A organização espacial pode ser
aleatória ou pode obedecer um padrão relativamente
uniforme entre uma primitiva e suas primitivas vizinhas.
Esta dependência pode se estrutural, probabilística ou
funcional.”
R.M. Haralick. Statistical and structural approaches to texture.
Proceedings o fthe IEEE, 67(5):786-804, 1979.
Resumindo
• Textura é uma propriedade de um pixel com
relação aos seus pixels vizinhos. Portanto,
pode-se falar em texturas com diferentes
graus de aspereza, granulosidade,
suavidade, etc.
Objetivos da análise de texturas
a) 5 tipos de tecido
b) Classificação: identificação dos tecidos
c) Segmentação: rotulação, localizar bordas
Síntese de Texturas
Textura a partir de formas
Motivação
• Superfícies naturais exibem textura
• Sistemas bons de visão devem “enxergar”
texturas
• A percepção de textura sob dois ângulos:
– Visão humana ou psico-física
– Aplicações de sistemas de visão
Psico-física
• Um tigre se camufla numa folhagem:
– Seu sucesso é função da incapacidade do nosso sistema
visual em discriminar (segmentar) ambas texturas
• Qual é o processo visual que permite separá-los
• A performance de muitos algoritmos de textura é
feita com relação ao desempenho humano na
realização da mesma tarefa.
• Estatística de primeira ordem: depende
somente de valores de pixel individuais e
não da interação ou co-ocorrência de pixels
vizinhos. Pode ser computada a partir do
histograma. Exemplo: média
• Estatística de segunda ordem: observação
de um par de pixels, em uma distância
randômica numa imagem, numa orientação
e posição randômica.
Psico-Física: Julesz
Psico-Física: Julesz
• Um sistema de visão que discrimine as
texturas da figura anterior está correto?
• Sim: se pensarmos que o objetivo é
discriminar os dois padrões de texturas
apresentados
• Não: se o sistema devesse ser fiel a maneira
como um humano percebe textura!
Psico-Física: Julesz
• Definiu textons: eventos visuais (colinearidades,
terminações, fechamentos)
– Terminações: os pontos extremos de uma reta. Na
figura a) os “endpoits” são os mesmos em ambas
regiões. O sistema visual não é capaz de detectá-los.
Em b) isso não acontece.
Psico-Física
• Sugere que a imagem formada na retina é
analisada pelo cérebro por meio da
orientação, freqüência, utilizando-se de
multi-canais
• Gabor !.
Textura: aplicações
•
•
•
•
•
Imagens satélite
Sensoriamento remoto
Inspeção
Medicina
Processamento de documentos
Taxonomia de Modelos Textura
•
•
•
•
Métodos Estatísticos
Métodos Geométricos
Métodos Baseados em Modelos
Métodos baseados em processamento de
Sinais
Estatísticos
•
•
•
•
•
•
Matrizes de co-ocorrência
Auto-correlação
Run-length
Texture Spectrum
Características de Laws
Medidas Direcionais
Descrevem texturas
que não apresentam
regularidadegeomét
rica
Geométrico
• Tecelagem de Voronoi
• Gramáticas
Baseados em Modelo
• Campos Aleatórios de Markov
• Fractais
Métodos Processamento Sinais
• Filtros no domínio espacial
• Filtros no domínio freqüência: Fourier
• Gabor
Análise de Textura Estatística
• Textura é descrita por regras estatísticas que
governam a distribuição de, e relação entre,
os níveis de cinza de uma imagem
• A interação espacial, ou falta de, entre as
primitivas é medida por meio de
probabilidades
Matrizes de Co-ocorrência (1)
• Relação entre nível de cinza e textura
– se uma pequena área na imagem tem pouca
variação nas primitivas de nível de cinza, a
propriedade dominante é o próprio nível de
cinza
– se a variação é grande, então a propriedade
dominante é a textura
Matrizes de Co-ocorrência
• Relação entre nível de cinza e textura
– Quando o padrão espacial das primitivas é
randômico, pode-se dizer que uma textura mais
“fina” está presente. Na medida em que os
padrões espaciais se tornam mais óbvios, diz-se
que a textura se torna mais “aspera”
• Para caracterizar a textura é preciso
caracterizar as propriedades das primitivas
dos níveis de cinza
Dependência
• Estimativa das probabilidades de funções
de densidade de segunda ordem f(i,j,d, )
– probabilidade de um pixel i para j, segundo
uma distância d e ângulo 
• Este valores estimados são na realidade
freqüências de uma matriz: f(i,j,d,0o) = #
Matrizes de Co-ocorrência
• Procuram caracterizar a textura ao analisar
as probabilidades de transição de níveis de
cinza através do que é conhecido como
matrizes de co-ocorrência
• As SGLDM levam em conta a distribuição e
a dependência espacial dos níveis de cinza
de uma determinada área de uma imagem
Cálculo das matrizes
Na realidade, o cálculo é feito para as 4 principais direções
Cálculo das matrizes
A partir dessas matrizes, várias características podem ser
calculadas
Características
Contraste:
Retorna valores mais altos para pixels de borda
Correlação:
Mede a correlação entre a intensidade do NC e a uniformidade da distribuição dos NC
Segundo Momento Angular:
Mede a dispersão dos níveis de cinza
Características
Soma das Entropias:
Mede a não uniformidade das regiões. Quanto maior a ocorrência de NC de
diferentes intensidades, maior será a soma da entropia
Onde,
Run Length (2)
• Abordagem semelhante às matrizes de coocorrências
• Produz medidas baseado no nro de
seqüências de tons de cinza p/um certo
comprimento (run length).
• Seqüência: conjunto de pixels consecutivos
e co-lineares com a mesma intensidade.
Run Length
Características
Segundo Momento com
respeito a Run Length
Multiplica o valor da Run length pelo comprimento da “run” ao quadrado.
Isso enfatiza runs que são longas...
Segundo Momento com
respeito ao Tom de Cinza
Multiplica o valor da Run length pelo tom de cinza ao quadrado.
Isso enfatiza regiões com tons de cinza mais intensos.
NumRuns =
Laws Features (3)
• Caracteriza a micro textura das imagens
• Utiliza filtros (impulse arrays) de
convolução
Laws Features
•Cada micro-textura M é usada para computar uma imagem
de ‘energia’ S.
•W é a dimensão da janela de uma vizinhança de um pixe na
imagem F.
Análise de Textura Estrutural
• Textura caracterizada por primitivas e
conjunto de regras p/ localização e relações
espaciais.
• Menos aplicáveis que os métodos
estatísticos, pois as texturas mias comuns
não são tão regulares assim.
Análise de Textura Estrutural
• Shape Grammars
• Tree Grammars
• Array Grammars
Shape Grammars
• Definida pela tupla:
Textura e Segmentação
Computar texturas usando máscaras de 16x20.
Textura e Segmentação
Resultado com texturas de co-ocorrência
Textura e Segmentação
Resultado com texturas de Run Length
Textura e Segmentação